【发布时间】：2013-01-14 06:01:55
【问题描述】：
对于这个应用程序，我想使用一种降维算法，这样给定数量的组件都可以解释数据中相同数量的方差。
因此，主成分分析不适合，因为解释的方差从第一个主成分到每个后续主成分急剧下降。
我可以使用哪些算法？
【问题讨论】：
-
如果可以用更少的组件表示，您为什么要想要更多组件？这就是 PCA 和一般维度的全部目的。
-
顺便提一下，您是否记得在执行 PCA 之前将数据行居中？这是 PCA 的第一个组成部分可能比其他所有组成部分更重要的一个常见原因。
-
例如，自动编码器具有由中心瓶颈创建的组件都解释相同方差的属性。这具有可以明智地执行附加特征选择的优点。我希望仅对特征提取进行降维，因为它适用于在特征选择方面非常出色的遗传编程引擎。无法回答其他问题，我还没有实现 somehting。顺便说一句，我不想使用自动编码器，因为它需要太多的神经网络专业知识。
标签： pca encoder unsupervised-learning dimensionality-reduction factor-analysis